| Form of studies |
Professional Bachelor |
| Title of the study programm |
Financial Engineering |
| Title in original language |
Mašīnmācīšanās pielietošana treidingā |
| Title in English |
Machine learning in trading |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Konstantins Kozlovskis |
| Reviewer |
Boriss Siliverstovs |
| Abstract |
Bakalaura darbs veltīts, lai atrastu efektīvāko mašīnmācīšanās modeli priekš
finanšu instrumenta klasifikācijas problēmas. No sākuma tika aplūkots, kas vispār ir
treidings un kādi ir tā veidi. Tad kur vispār tredingu var pielietot jeb finanšu tirgus
veidi un regulējumi. Un visbeidzot kas ir mašīnmācīšanās, kādas metodes un
algoritmi eksistē.
Darba praktiskajā daļā tika izvēlēts viens finanšu instruments – kriptovalūtas
un 5 no tām (BTC, BNB, ETH, XRP un ADA) tika analizētas padziļinātāk ar
klasifikācijas mašīnmācīšanās algoritmiem, kā lēmumu koka (Decision tree), K
Tuvāko kaimiņu (KNN), atbalsta vektora mašīnas (SVM), naivā Baijesa (Naive Bayes)
un neironu tīklu (Neural networks) metodēm. Iegūtie rezultāti tika salīdzināti savās
starpā ar dažādām metrikām.
Darbs izstrādāts uz 55 lapām un tajā ir 14 attēli, 12 tabulas, 13 formulas, 6
pielikumi uz 11 lapām un tika izmantoti 22 informācijas avoti |
| Keywords |
reidings, finanšu tirgi, kriptovalūtas, mašīnmācīšanās, klasifikācija |
| Keywords in English |
trading, financial markets, cryptocurrencies, machine learning, classification |
| Language |
lv |
| Year |
2023 |
| Date and time of uploading |
30.05.2023 16:20:38 |
